Sonsuz Ark/ Evrensel Çerçeveye Yolculuk
"Stanford profesörleri Stefano Ermon ve William Chueh liderliğindeki bir ekip, bu test sürelerini yüzde 98 oranında azaltan makine öğrenimi tabanlı bir yöntem geliştirdi. Grup, yöntemlerinin, pil şarj hızının test edilmesinde kullanılmasına rağmen, pil geliştirme hattının diğer birçok bölümüne ve hatta enerji dışı teknolojilere uygulanabileceğini söylüyor."
Artificial Intelligence Used to Supercharge Battery Development for Electric Vehicles
"Toyota araştırmacılarıyla birlikte çalışan Stanford'da elde edilen yeni makine öğrenimi yöntemi, elektrikli araçlar için pil gelişimi sürecini güçlendirebilir."
Stanford liderliğindeki bir araştırma ekibi, yeni bir makine öğrenimi yöntemi kullanarak elektrikli araçlar için daha uzun ömürlü, daha hızlı şarj olan pillerin önündeki önemli bir engel olan pil test sürelerini yaklaşık on beş kat kısalttı.
AI Pil Konsepti
Stanford liderliğindeki bir araştırma ekibi, makine öğrenimini kullanarak, elektrikli araçlar için daha uzun ömürlü, daha hızlı şarj olan pillerin önündeki önemli bir engel olan pil test sürelerini kısalttı. Kaynak: Cube3D
Pil performansı, sürüş mesafesinden şarj süresine ve otomobilin kullanım ömrüne kadar elektrikli araç deneyimini iyileştirebilir veya bozabilir. Şimdi, yapay zeka, bir benzin istasyonunda beklenmesi gereken sürede bir EV'yi (Elektrikli Araçlar) şarj etmek gibi hayalleri daha olası bir gerçeklik haline getirdi ve bu pil teknolojisinin diğer yönlerini geliştirmeye yardımcı olabilir.
Onlarca yıldır elektrikli araç akülerindeki ilerlemeler değerlendirme süreleri gibi büyük bir darboğazla sınırlanmıştı. Batarya geliştirme sürecinin her aşamasında, yeni teknolojilerin ne kadar dayanacağını belirlemek için aylar hatta yıllar boyunca test edilmesi gerekiyordu. Ancak şimdi, Stanford profesörleri Stefano Ermon ve William Chueh liderliğindeki bir ekip, bu test sürelerini yüzde 98 oranında azaltan makine öğrenimi tabanlı bir yöntem geliştirdi. Grup, yöntemlerinin, pil şarj hızının test edilmesinde kullanılmasına rağmen, pil geliştirme hattının diğer birçok bölümüne ve hatta enerji dışı teknolojilere uygulanabileceğini söylüyor.
Bilgisayar bilimi yardımcı doçentlerinden Ermon, "Pil testinde çok sayıda şeyi denemeniz gerekir, çünkü elde ettiğiniz performans büyük ölçüde değişecektir" diyor. " Yapay Zeka (AI) ile, en umut verici yaklaşımları hızlı bir şekilde belirleyebiliyor ve birçok gereksiz deneyi kesebiliyoruz."
Nature tarafından 19 Şubat 2020'de yayınlanan araştırma, Stanford, MIT ve Toyota Araştırma Enstitüsü'nden bilim adamları ve temel akademik araştırma ve gerçek dünya endüstri uygulamaları arasında köprü kuran daha büyük bir işbirliği çerçevesinde yapılmıştı. Hedef: Bir EV pilini 10 dakikada şarj etmek için pilin toplam ömrünü en üst düzeye çıkaran en iyi yöntemi bulmaktı.
Araştırmacılar, yalnızca birkaç şarj döngüsüne dayalı olarak, pillerin farklı şarj yaklaşımlarına nasıl tepki vereceğini tahmin eden bir program yazdılar. Yazılım ayrıca gerçek zamanlı olarak hangi şarj yaklaşımlarına odaklanılacağına veya görmezden gelineceğine karar veriyordu. Araştırmacılar, denemelerin hem uzunluğunu hem de sayısını azaltarak, test sürecini neredeyse iki yıldan 16 güne indirdiler.
Araştırmaya yüksek lisans öğrencisi olarak katkıda bulunan Peter Attia, “Aşırı hızlı şarj için test sürecini nasıl büyük ölçüde hızlandıracağımızı bulduk” diyor. “Gerçekten heyecan verici olan şey, yöntem. Bu yaklaşımı, şu anda pil geliştirmeyi aylarca veya yıllarca geciktiren diğer birçok soruna uygulayabiliriz.”
Pil testine daha akıllı bir yaklaşım
Ultra hızlı şarjlı piller tasarlamak büyük bir zorluktur, çünkü temel olarak onları kalıcı hale getirmek zordur. Daha hızlı şarjın yoğunluğu, pili daha fazla zorlar ve bu da genellikle pilin erken arızalanmasına neden olur. Akü mühendisleri, bir elektrikli otomobilin toplam maliyetinin büyük bir bölümünü oluşturan bir bileşen olan akü paketine verilecek zararı önleyecek olan en iyi sonucu veren yöntemi bulmak için kapsamlı bir dizi şarj yöntemini test etmelidirler.
Yeni araştırma bu süreci optimize etmeye çalıştı. Başlangıçta ekip, hızlı şarj optimizasyonunun birçok deneme-yanılma testi anlamına geldiğini gördü; bu, insanlar için verimsiz, ancak bir makine için mükemmel bir sorundu.
AI Pil Araştırmacıları
Bilgisayar bilimi alanında yüksek lisans öğrencisi olan ve aynı zamanda araştırmanın ortak liderliğini yapan Aditya Grover, "Makine öğrenimi deneme yanılmadır, ancak daha akıllı bir şekilde" diyor. "Bilgisayarlar ne zaman keşfedeceklerini - yeni ve farklı yaklaşımlar deneyeceklerini - ve en umut verici olanlardan ne zaman yararlanacaklarını veya sıfırlayacaklarını bulmakta bizden çok daha iyiler."
Ekip bu gücü iki önemli şekilde kendisine avantaj sağlayacak şekilde kullandı. İlk olarak, bunu bisiklet deneyi başına geçecek olan süreyi azaltmak için kullandılar. Daha önceki bir çalışmada, araştırmacılar, her pili arızalanana kadar şarj etmek ve yeniden şarj etmek yerine - bir pilin ömrünü test etmenin olağan yolu - bir pilin yalnızca ilk 100 şarj döngüsünden sonra ömrünün ne kadar süreceğini tahmin edebileceklerini buldular. Bunun nedeni, makine öğrenimi sisteminin, arızalanan birkaç pil üzerinde eğitildikten sonra, erken verilerde bir pilin ömrünün ne kadar süreceğini öngören kalıplar bulabilmesiydi.
İkincisi, makine öğrenimi, test etmeleri gereken yöntem sayısını azalttı. Bilgisayar, olası her şarj yöntemini eşit şekilde test etmek veya sezgiye güvenmek yerine, test edilecek en iyi protokolleri hızla bulmayı kendi deneyimlerinden öğrendi.
Araştırmanın yazarları, daha az döngü için daha az yöntemi test ederek, pilleri için hızlı bir şekilde en uygun ultra hızlı şarj protokolünü keşfettiler. Ermon, "Test sürecini önemli ölçüde hızlandırmanın yanı sıra, bilgisayarın bulduğu çözüm, muhtemelen bir pil bilimcisinin tasarlayacağından daha iyi ve çok daha sıra dışıydı", diyor. "Bize bu şaşırtıcı derecede basit şarj protokolünü verdi; beklemediğimiz bir şeydi" diye ekliyor Ermon. "İnsan ve makine arasındaki fark budur: Makine, insan sezgisine bağlı olarak önyargılı değildir, bu güçlü ama bazen yanıltıcıdır."
Daha geniş uygulamalar
Araştırmacılar, yaklaşımlarının pil geliştirme hattının neredeyse her aşamasını hızlandırabileceğini söylüyorlar: bir pilin kimyasını tasarlamaktan, boyutunu ve şeklini belirlemeye, üretim ve depolama için daha iyi sistemler bulmaya kadar. Bunun yalnızca elektrikli araçlar için değil, küresel ölçekte rüzgar ve güneş enerjisine geçiş yapmak için önemli bir gereklilik olan diğer enerji depolama türleri için de geniş etkileri olacaktır.
Toyota Araştırma Enstitüsü'nden bir bilim adamı ve çalışmanın ortak yazarı olan Patrick Herring, “Bu, pil geliştirmenin yeni bir yolu” diyor. “Akademik ve sektördeki çok sayıda insanla paylaşabileceğiniz ve otomatik olarak analiz edilen verilere sahip olmak, çok daha hızlı inovasyon sağlıyor.”
Herring, araştırmanın makine öğrenimi ve veri toplama sisteminin gelecekteki pil araştırmacısı bilim adamlarının özgürce kullanması için hazır hale getirileceğini sözlerine ekledi. Herring, sürecin diğer kısımlarını makine öğrenimi, pil geliştirme ve daha yeni, daha iyi teknolojilerin gelişiyle optimize etmek için bu sistemi kullanarak, bir veya daha fazla büyüklük sırasına göre hızlandırılabileceğini söylüyor.
Ermon, çalışmanın yönteminin potansiyelinin pil dünyasının ötesine geçtiğini söylüyor, "İlaç geliştirmeden X-ışınları ve lazerlerin performansını optimize etmeye kadar diğer büyük veri testi sorunları da makine öğrenimi optimizasyonunun kullanılmasıyla devrim yaratabilir. Ve nihayetinde, en temel süreçlerden birini optimize etmeye bile yardımcı olabilir." diyor.
Ermon, "En büyük umut, bilimsel keşif sürecine yardımcı olmaktır." diyerek ekliyor: "Soruyoruz: Bu yöntemleri otomatik olarak hipotezler oluşturacak şekilde tasarlayabilir miyiz? İnsanların elde edemeyeceği bilgileri keşfetmemize yardımcı olabilirler mi? Gittikçe daha iyi algoritmalar elde ettikçe, tüm bilimsel keşif sürecinin büyük ölçüde hızlanacağını umuyoruz."
Standford University, 22 Şubat 2020, SciTechDaily
Mustafa Tamer, 06.04.2022, Sonsuz Ark, Çeviri, Bilim ve Teknoloji, Aklın Merdivenleri
Referans: Peter M. Attia, Aditya Grover, Norman Jin, Kristen A. Severson, Todor M. Markov, Yang-Hung Liao, Michael H. Chen, “Makine öğrenimi ile piller için hızlı şarj protokollerinin kapalı döngü optimizasyonu”, Bryan Cheong, Nicholas Perkins, Zi Yang, Patrick K. Herring, Muratahan Aykol, Stephen J. Harris, Richard D. Braatz, Stefano Ermon ve William C. Chueh, 19 Şubat 2020, Nature . DOI: 10.1038/s41586-020-1994-5
Diğer Stanford ortak yazarları arasında Norman Jin, Yang-Hung Liao, Michael H. Chen, Bryan Cheong, Nicholas Perkins, Zi Yang, Stephen Harris ve Todor M. Markov yer alıyor. Ek ortak yazarlar MIT ve Toyota Araştırma Enstitüsü'ndendir. Bu çalışma Stanford, Toyota Araştırma Enstitüsü, Ulusal Bilim Vakfı, ABD Enerji Bakanlığı ve Microsoft tarafından desteklenmiştir.
- Sonsuz Ark'ta yayınlanan yazılardan yazarları sorumludur.
- Sonsuz Ark linki verilerek kısmen alıntı yapılabilir.
- Sonsuz Ark yayınları Sonsuz Ark manifestosuna aykırı yayın yapan sitelerde yayınlanamaz.
- Sonsuz Ark Yayınlarının Kullanımına İlişkin Önemli Duyuru için lütfen tıklayınız.